Intelligent Agent-Controlled Elevator System: Algorithm and Efficiency Optimization

Cover Page

Cite item

Full Text

Abstract

The study introduces an innovative intelligent agent-controlled elevator system specially designed to improve passenger wait times and enhance the efficiency of high-rise buildings. By utilizing the classic single-agent planning model, we developed a unique strategy for handling calls from halls and cars, and combined with this strategy we significantly improved the overall performance of the elevator system. Our intelligent control methods are in-depth compared with conventional elevator systems, assessing three important performance indicators: response time, system capacity to handle multiple active elevator cars simultaneously, and average passenger waiting time. The results of the full simulation show that an intelligent agent-based model consistently exceeds conventional elevator systems in all measured criteria. Intelligent control systems have significantly reduced response times, and improved simultaneous elevator management and passenger wait times, especially during high traffic. These advances not only improved traffic flow efficiency, but also greatly contributed to passenger satisfaction and brought smoother and more reliable transport experiences within the building. Furthermore, the increased efficiency of our systems is in line with the goals of building energy management, as it minimizes unnecessary movements and idle time. The results demonstrate the system's ability to meet dynamic, high-occupation environment requirements and mark a significant step forward in intelligent infrastructure management.

About the authors

A. Gharbi

Northern Border University

Author for correspondence.
Email: Atef.gharbi@nbu.edu.sa
Al-Qadisyiah 37

M. Ayari

Northern Border University

Email: mohamed.ayari@nbu.edu.sa
Al-Qadisyiah 37

Y. El Touati

Northern Border University

Email: yamen.touati@nbu.edu.sa
Al-Qadisyiah 37

References

  1. Shen L.J., Lukose J., Young L.C. Predictive maintenance on an elevator system using machine learning. Journal of Applied Technology and Innovation. 2021. vol. 5(1). pp. 75–82.
  2. Hsu C.Y., Qiao Y., Wang C., Chen S.T. Machine learning modeling for failure detection of elevator doors by three-dimensional video monitoring. IEEE Access, 2020. vol. 8. pp. 211595–211609.
  3. Arrieta A., Ayerdi J., Illarramendi M., Agirre A., Sagardui G., Arratibel M. Using machine learning to build test oracles: an industrial case study on elevators dispatching algorithms. IEEE/ACM International Conference on Automation of Software Test (AST). 2021. pp. 30–39.
  4. Syed F.I., Alshamsi M., Dahaghi A.K., Neghabhan S. Artificial lift system optimization using machine learning applications. Petroleum. 2022. vol. 8(2). pp. 219–226.
  5. Gichane M.M., Byiringiro J.B., Chesang A.K., Nyaga P.M., Langat R.K., Smajic H., Kiiru C.W. Digital triplet approach for real-time monitoring and control of an elevator security system. Designs. 2020. vol. 4(2). doi: 10.3390/designs4020009.
  6. Zubair M.U., Zhang X. Explicit data-driven prediction model of annual energy consumed by elevators in residential buildings. Journal of Building Engineering. 2020. vol. 31. doi: 10.1016/j.jobe.2020.101278.
  7. Yao W., Jagota V., Kumar R., Ather D., Jain V., Quraishi S.J., Osei-Owusu J. Study and application of an elevator failure monitoring system based on the internet of things technology. Scientific Programming, 2022. doi: 10.1155/2022/2517077.
  8. Mao J., Chen L., Cheng H., Wang C. Elevator fault diagnosis and maintenance method based on Internet of Things. In International Conference on Mechatronics and Intelligent Control (ICMIC 2023). SPIE. 2023. vol. 12793. pp. 18–23.
  9. Sharma A., Chatterjee A., Thakur P.K., Jha S., Sriharipriya K. IoT Based Automated Elevator Emergency Alert System Using Android Mobile Application. IEEE International Conference on Data Science and Information System (ICDSIS). 2022. pp. 1–6.
  10. Wu Y., Yang J. Directional optimization of elevator scheduling algorithms in complex traffic patterns. Applied Soft Computing. 2024. vol. 158. doi: 10.1016/j.asoc.2024.111567.
  11. Wang H., Zhang M., Zhang R., Liu L. Research on predictive sliding mode control strategy for horizontal vibration of ultra-high-speed elevator car system based on adaptive fuzzy. Measurement and Control. 2021. vol. 54(3-4). pp. 360–373.
  12. Le S., Lei Q., Wei X., Zhong J., Wang Y., Zhou J., Wang W. Smart Elevator Control System Based on Human Hand Gesture Recognition. IEEE 6th International Conference on Computer and Communications (ICCC). 2020. pp. 1378–1385.
  13. Lu L., Jiang C., Hu G., Liu J., Yang B. Flexible noncontact sensing for human–machine interaction. Advanced Materials. 2021. vol. 33(16). doi: 10.1002/adma.202100218.
  14. Huang J., Wang H., Li J.A., Zhang S., Li H., Ma Z., Xin M., Yan K., Cheng W., He D., Wang X., Shi Y., Pan L. High-performance flexible capacitive proximity and pressure sensors with spiral electrodes for continuous human–machine interaction. ACS Materials Letters. 2022. vol. 4(11). pp. 2261–2272. doi: 10.1021/acsmaterialslett.2c00860.
  15. Koehler J., Schuster K. Elevator Control as a Planning Problem. In AIPS. 2000. pp. 331–338.
  16. Nivasanon C., Srikun I., Aungkulanon P. Aggregate production planning: A case study of installation elevator company. Proceedings of the International Conference on Industrial Engineering and Operations Management. 2021. pp. 5357–5365.
  17. Bagenda D.N., Basjaruddin N.C., Darwati E., Rakhman E. Development of an elevator simulator to support problem-based electric motor control practicum for vocational high school student. INVOTEK: Jurnal Inovasi Vokasional dan Teknologi. 2021. vol. 21(2). pp. 139–148.
  18. Cortes P., Munuzuri J., Vazquez-Ledesma A., Onieva L. Double deck elevator group control systems using evolutionary algorithms: Interfloor and lunchpeak traffic analysis. Computers & Industrial Engineering. 2021. vol. 155. doi: 10.1016/j.cie.2021.107190.
  19. Tartan E.O., Ciflikli C. Esra (elevator simulation, research & analysis): an open-source software tool for elevator traffic simulation, research, and analysis. Journal of Simulation. 2024. pp. 1–18.
  20. Gharbi A., Exploring Heuristic and Optimization Approaches for Elevator Group Control Systems. Applied Sciences. 2024. vol. 14(3). doi: 10.3390/app14030995.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».